基于虚拟元-有限元耦合的隧道内道床干缩裂缝细观研究

为解释道床与盾构隧道管片产生脱空的现象，研究新混凝土在浇筑后由干燥收缩产生的裂缝机理。基于虚拟元推导任意多边形骨料的刚度矩阵格式，利用UEL子程序实现有限元与虚拟元的耦合计算，纯弯梁数值试验结果表明耦合法较有限元法计算效率明显提升，且具有较好的稳定性。在此基础上，建立细观尺度下新老混凝土的干缩数值模型，并通过圆盘干缩模型验证了模型参数。研究骨料和砂浆的应力分布、内部湿度与裂缝发展的对应关系以及新老混凝土表面和界面的应力发展。结果表明：①收缩过程中，骨料主要承受压应力作用，砂浆沿骨料边界的切线方向受骨料约束作用易形成收缩裂缝，在新混凝土表面首先出现大量微小裂缝，随后界面两端发生剥离; ②受表面下骨料的约束作用，新混凝土表面拉应力呈现“驼峰”分布。开裂后表面被划分为多个收缩区，收缩区边界受拉应力，内部受压应力；③界面的拉伸和剪切应力由两侧开始增加，并且随着界面剥离的增加不断内移。在界面内部未剥离区域内存在由界面附近骨料约束导致的局部压应力和剪切应力增大。     

天然气管道放散计算与速查图

结合工程需要和实际情况，应用实际气体状态方程得到放散量计算式。放散时间计算式选取临界流计算模型。将两个计算式中的固定值和影响因素单独归纳，分别绘制出天然气管道放散量计算系数和放散时间计算系数速查图，给出计算流程。经实例验证，计算值与实际值相对误差不超过5%,此计算方法的实用性较强，能很好地满足工程上对放散量计算方便性和准确性的要求，对指导施工具有一定实用意义。文末附有放散量计算系数和放散时间计算系数速查图下载链接，也可扫二维码下载。     

上海轨道交通车厢满载率实时感知与估计

本文通过利用WIFI探针设备,将其布设在上海轨道交通列车车厢内探测客流,同时收集同日同车次的车厢称重数据、断面客流数据进行数据分析与融合,得到列车车厢满载率的估计值,从而建立起更为精确的地铁车厢满载率数据.     

基于六西格玛的手机摄像头模组质量改善研究

基于DMAIC流程,全面分析手机摄像头模组的生产流程,找出影响良率的关键因素,即摄像头模组在点胶过程中溢胶出现黑点.对点胶的生产过程进行分析,利用Pareto图、因果矩阵、FAMA等找出产生溢胶的主要原因,运用Gage R&R确保测量胶高和粘合力的系统的稳定性,通过正态性检验、CPK等进行过程能力分析,通过残差分析找出溢胶的关键因素即胶量、针头气压、烤炉温度,然后进行DOE试验设计,确定出最佳参数,通过SPC控制图确保了产品处于受控状态,使摄像头模组点胶过程中出现溢胶的产品报废问题基本消除,提高了产品良率.     

单立柱堆垛机有限元振动分析

针对单立柱堆垛机运行过程中加减速对立柱产生的振动激励问题,以某单立柱堆垛机为研究对象进行有限元振动分析。建立该堆垛机的有限元仿真模型,基于不同加减速策略进行对比分析。分析结果表明,十五段S形加减速策略对单立柱堆垛机的振动激励最小,能够提高堆垛机的定位效率。     

基于时间向量的多工序加工系统工艺路线重组建模与优化

为增强工艺知识的重用性,提高工艺规划的柔性和动态适应性,提出基于时间向量和矩阵的多工序加工系统工艺路线重组建模与优化方法。通过分析多工序的共同作用因素及工序间复杂的耦合关系,构建了基于简单插入操作的惩罚时间矩阵、换刀时间向量、定位时间向量、装夹时间向量、旋转时间向量和加工时间矩阵。在此基础上,以非切削加工时间和空闲时间最小为目标,建立了多工序加工系统工艺路线重组模型,设计了工艺路线整数线性优化重组算法。通过汽车发动机缸盖加工工艺优化重组,验证了该模型和优化算法的有效性。     

增压中冷管高频啸叫辐射噪声试验研究与改进

涡轮增压发动机通常表现为高频噪声问题,尤其是内部高温高压高速气流流经局部结构时,易于产生气流再生噪声,表现为窄频带特性。本文主要针对整车试验过程中出现的车内高频“啸叫”问题进行研究与解决方案。首先,通过整车转毂试验分析判断噪声源及主要传递路径。其次,通过增压中冷管路消声器的结构优化改进,试制相应的样件方案。最后,优化后的增压管路安装于整车并在转毂消声室内验证车内噪声改善效果。结果表明,优化改进的增压中冷管消声器,对5500-6500Hz高频“啸叫”成分均有较明显的抑制效果,表明消声器外壳体与内部芯子的空腔径向尺寸与气流再生噪声的产生相关性较高,为增压管路的工程开发提供有效的设计指导。     

基于智能仓储的AGV道路识别系统

针对AGV在执行路径过程中出现位置错误或偏离道路的情况,课题组提出了一套利用激光雷达探测反光板的道路识别方案。介绍了基于智能仓储拓扑图的反光板布设方式;设计了基于数学几何知识的AGV动态识别位置信息的方案;设计了在不同地图属性条件下基于限幅或PID调节的道路修正的方案,防止AGV行进过程中偏离理想道路。应用结果表明:本设计具有较快的位置信息获取速度和错误位置信息处理能力;运行过程中能够较稳定地行走在规划路径中心位置,在阳光等干扰因素存在条件下依然可以保持优良的鲁棒性。该研究使用反光板能大幅提高激光雷达位置计算速度,在车身存在机械误差条件下,通过修正算法能够保证小车稳定行驶在道路的理想位置。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。